移动端AI与ML应用开发：基于iOS和Android

174

|

第

9

章

除了“Model Maker 和 Cloud AutoML”这两种制作模型的方法（主要涉及你避免编写代

码并让 API 为你训练模型）之外，还有第三种方法值得探索，你必须在其中进行一些编

码，但 ML 模型主要由其他人创建，你可以通过迁移学习利用他们的架构。

9.3

使用

TensorFlow

和迁移学习创建模型

如前所述，迁移学习的概念可以支持机器学习模型的快速发展。这个概念是使用在类似

问题上训练过的神经网络部分，然后针对你自己的场景覆盖它们。例如，EfficientNet 模

型架构是为 ImageNet 场景设计的，该场景有 1000 类图像，它在数百万张图像上进行了

训练。为自己训练这样一个模型的资源在时间和金钱上都非常昂贵。当在如此大的数据

集上训练模型时，它可以成为非常有效的特征选择器。

这意味着什么？简而言之，典型的计算机视觉神经网络使用所谓的卷积神经网络（CNN）

架构。CNN 由许多滤波器组成，一旦滤波器应用于图像，它就会对其进行转换。随着

时间的推移，CNN 将学习到有助于区分图像的滤波器。例如，图 9-12 显示了来自猫与

狗分类器的图像示例，该示例说明了 CNN 用于区分这些类型动物之间差异的图像区域。

很明显，在这种情况下，学习到的滤波器决定了狗的眼睛是什么样子的，而其他滤波器

则决定了猫的眼睛的样子。在网络中的所有滤波器中，决定图片中的内容可能就像这些

滤波器显示某些内容的结果一样简单。

图

9-12

：

CNN

滤波器激活不同图像中不同区域的示例

因此，对于现有的网络 ...